一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法
【專利摘要】本發(fā)明公開了一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，獲取設備正常運行歷史信息和故障歷史信息，將設備故障時刻相關(guān)的運行信息及環(huán)境信息，存入數(shù)據(jù)表，形成設備故障數(shù)據(jù)集；將設備正常運行時的運行信息及環(huán)境信息形成設備正常運行數(shù)據(jù)集；在線統(tǒng)計分析設備故障參數(shù)，識別設備運行異常指標，從而能夠迅速識別出電網(wǎng)設備故障隱患，進而預警，為調(diào)度和運檢人員提供決策依據(jù)。本發(fā)明提供的預測方法，可給出故障判據(jù)，選出故障因素以及故障指標范圍，提供明確的預警指標，為預警提供了一種科學方法。
【專利說明】一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及電氣行業(yè)，特別涉及一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法。

【背景技術(shù)】
[0002]隨著電網(wǎng)建設的快速發(fā)展，我國在輸電容量、設備和技術(shù)水平等都走在了世界的前列，對輸變電設備的性能和運行可靠性也提出了更高的要求，因此需要通過故障預警從根本上避免故障的發(fā)生。然而現(xiàn)有的設備故障預警技術(shù)是基于知識庫專家系統(tǒng)建模和基于人工神經(jīng)網(wǎng)絡建模，前者雖然具有繼承已有運行經(jīng)驗，但是對于一些復雜的系統(tǒng)，特別是知識來源不足以表達與反映事故的特征；后者雖然自學習能力較好，但模型維護非常難，建模需要耗時的學習過程，學習樣本的選擇也缺乏依據(jù)。同時傳統(tǒng)的方法由于模型本身存在的誤差或者是建模出現(xiàn)的錯誤，又或者是模型本身不具有一般性，這樣也有可能造成誤判、漏判。因此傳統(tǒng)的預警方法已經(jīng)無法解決當前設備面臨的預警問題，需一種新的方法來識別設備異常征兆，并進行預警，幫助電網(wǎng)提前采取措施避免故障的發(fā)生，變被動檢修為主動檢修，變非計劃停機為計劃停機。


【發(fā)明內(nèi)容】

[0003]為解決現(xiàn)有技術(shù)存在的不足，本發(fā)明公開了一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，本申請基于設備運行信息、環(huán)境信息以及設備故障信息，在線統(tǒng)計分析設備故障參數(shù)，識別設備運行異常指標，從而能夠迅速識別出電網(wǎng)設備故障隱患，進而預警，為調(diào)度和運檢人員提供決策依據(jù)。
[0004]為實現(xiàn)上述目的，本發(fā)明的具體方案如下:
[0005]一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，包括以下步驟:
[0006]步驟一:獲取設備正常運行信息和故障信息，將設備故障時刻相關(guān)的運行信息及環(huán)境信息，存入數(shù)據(jù)表，形成設備故障數(shù)據(jù)集；將設備正常運行時的運行信息及環(huán)境信息形成設備正常運行數(shù)據(jù)集；
[0007]步驟二:基于步驟一中的設備正常運行信息和故障信息，對設備運行因素指標值進行區(qū)間劃分，對因素最大指標值與最小指標值之間的距離等間距劃分為η份，在線計算得到當前區(qū)間段內(nèi)的設備故障率；
[0008]步驟三:采用步驟二中各個子區(qū)間兩端的值的均值作為指標值區(qū)間的量化值，形成新的指標值序列，利用距離相關(guān)性算法計算因素指標值與故障率之間的相關(guān)系數(shù)，該相關(guān)關(guān)系表征了因素與故障之間的相關(guān)性。
[0009]步驟四:采用相關(guān)關(guān)系排序算法對多個因素與故障間相關(guān)系數(shù)進行排序，最終確定設備故障因素；
[0010]步驟五:對確定的故障因素采用聚類算法分析故障因素指標值，進而確定故障判據(jù)；
[0011]步驟六:將設備當前運行值與故障判據(jù)進行比較，判斷與故障相關(guān)的因素運行值是否在故障指標值范圍內(nèi)，如果所有故障指標的運行值均在故障指標值范圍內(nèi)，則判斷設備運行異常，給出設備故障預警信息。
[0012]所述步驟二的設備故障率計算的具體過程為:在指標值對應的每個區(qū)間段內(nèi)，統(tǒng)計故障設備臺數(shù)以及正常運行設備臺數(shù)，通過計算故障設備臺數(shù)/ (故障設備臺數(shù)+正常設備臺數(shù))進而得到當前區(qū)間段內(nèi)的設備故障率。
[0013]所述步驟四的相關(guān)關(guān)系排序算法是將因素與故障間的相關(guān)系數(shù)從大到小依次排列，將一組無序的序列調(diào)整成有序的序列，進而得到因素與故障間相關(guān)性強弱的排列序列，設定閾值，將相關(guān)系數(shù)大于閾值的因素確定為故障因素，閾值的取值范圍為其絕對值小于等于I。
[0014]所述環(huán)境信息包括溫度、濕度、雨量、風速、風向、海拔；運行信息包括設備電壓、電流、功率。
[0015]所述步驟六中，當滿足公式Ix-XnI <ko時，故障發(fā)生，其中O為故障樣本的標準差，xn為故障判據(jù)，X為因素實時指標值，k為正實數(shù)。
[0016]所述步驟三中距離相關(guān)性算法是計算相關(guān)系數(shù)的一種方法，基本的公式為:
[0017]

【權(quán)利要求】
1.一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，其特征是，包括以下步驟: 步驟一:獲取設備正常運行歷史信息和故障歷史信息，將設備故障時刻相關(guān)的運行信息及環(huán)境信息，存入數(shù)據(jù)表，形成設備故障數(shù)據(jù)集；將設備正常運行時的運行信息及環(huán)境信息形成設備正常運行數(shù)據(jù)集； 步驟二:基于步驟一中的設備正常運行歷史信息和故障歷史信息，對設備運行因素指標值進行區(qū)間劃分，對因素最大指標值與最小指標值之間的距離等間距劃分為η份，在線計算得到當前區(qū)間段內(nèi)的設備故障率； 步驟三:采用步驟二中各個子區(qū)間兩端的值的均值作為指標值區(qū)間的量化值，形成新的指標值序列，利用距離相關(guān)性算法計算因素指標值與故障率之間的相關(guān)系數(shù)，該相關(guān)關(guān)系表征了因素與故障之間的相關(guān)性。 步驟四:采用相關(guān)關(guān)系排序算法對多個因素與故障間相關(guān)系數(shù)進行排序，最終確定設備故障因素； 步驟五:對確定的故障因素采用聚類算法分析故障因素指標值，進而確定故障判據(jù)； 步驟六:將設備當前運行值與故障判據(jù)進行比較，判斷與故障相關(guān)的因素運行值是否在故障指標值范圍內(nèi)，如果所有故障指標的運行值均在故障指標值范圍內(nèi)，則判斷設備運行異常，給出設備故障預警信息。
2.如權(quán)利要求1所述的一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，其特征是，所述步驟二的設備故障率計算的具體過程為:在指標值對應的每個區(qū)間段內(nèi)，統(tǒng)計故障設備臺數(shù)以及正常運行設備臺數(shù)，通過計算故障設備臺數(shù)/ (故障設備臺數(shù)+正常設備臺數(shù))進而得到當前區(qū)間段內(nèi)的設備故障率。
3.如權(quán)利要求1所述的一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，其特征是，所述環(huán)境信息包括溫度、濕度、雨量、風速、風向及海拔；運行信息包括設備電壓、電流及功率。
4.如權(quán)利要求1所述的一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，其特征是，所述步驟四的相關(guān)關(guān)系排序算法是將因素與故障間的相關(guān)系數(shù)從大到小依次排列，將一組無序的序列調(diào)整成有序的序列，進而得到因素與故障間相關(guān)性強弱的排列序列，設定閾值，將相關(guān)系數(shù)大于閾值的因素確定為故障因素，閾值的取值范圍為其絕對值小于等于I。
5.如權(quán)利要求1所述的一種基于因素與事件間相關(guān)關(guān)系識別的設備故障預測方法，其特征是，所述步驟六中，當滿足公式Ix-XnI <ko時，故障發(fā)生，其中σ為故障樣本的標準差，Xn為故障判據(jù)，X為因素實時指標值，k為正實數(shù)。
【文檔編號】G06Q10/04GK104200288SQ201410479909
【公開日】2014年12月10日 申請日期:2014年9月18日 優(yōu)先權(quán)日:2014年9月18日
【發(fā)明者】于大洋, 李亞錦 申請人:山東大學